2017-trans-Alzheimer’s Disease Classification 3-D Texture Features

  一、 核心框架部分

         这篇文章提出了提出了一种针对AD分类的基于单独分层网络的新的特征表达方式。为了构建一个分层网络，

         首先，通过三种新的规则生成了三个新的atlases，结合已有的AAL的atlas，四个atlases的所有regions都被两两link到一起。

         然后，将每一个被试register到这个分层网络来生成一个单独的分层网络。针对每一个individual的分层网络，我们同时提取节点特征和分层特征。这些特征信息都是通过3D textural features来计算得到。其中包括：  energy (ENE), contrast (CON), inverse difference moment (IDM), entropy (ENT), difference variance (DVA) and difference entropy (DEN). 为了获得针对AD分类的most discriminative feature，采用F-score来将所有的feature 以降序排列。然后选择每个feature set的的top ranked features从而获得最好的分类精度。并且每个分类的分类器都采用了MKBoost 算法。

         接着，我们采用多核单权重框架组合六种节点特征的分类器来生成最终的节点特征分类器。

         最后，我们将节点特征分类器和边缘特征分类器结合到一起来生成最终的基于独立分层网络特征分类器。

二、 数据部分

         选择了ADNI数据集中的710个被试的T1MRI图像。其中包括200个AD，280个MCI（120个MCIc，160个MCInc）以及230个HC。

三、 数据预处理部分

第一步，a non-parametric non-uniform bias correction (N3) algorithm [27] is used to correct intensity inhomogeneity。

第二步，skull stripping is performed by using BET，

第三步，each brain image is segmented into three tissues (gray matter (GM),white matter (WM), and cerebrospinal fluid (CSF)) by using FAST，

最终选取GM images进行特征提取和分类。

四、 Individual Hierarchical Network Construction

1. 定义ROIs

       基于GM的AAL atlas包括90 cerebral regions (45 in each hemisphere) and 26 cerebellar regions (9 in each cerebellar hemisphere and 8 in the vermis).其中有文献表明小脑的脑区跟AD没什么关系，在这里选取了90个大脑区域来进行AD分类。

      每一个较大的ROI有一些现存的具有相似的功能的ROIs通过一定的结构组成并具有特定的功能。因此，我们利用AAL atlas生成了三个新的具有不同数据ROIs和不同规则的atlas。

规则一：No. 具有相同的前两个数字和最后一个数字的作为同一个ROI，Based on this rule, the atlas includes 54 ROIs and is denoted as S2。

规则二：No. 具有相同的第一个数字和最后一个数字的作为同一个ROI，Based on this rule, the atlas includes 14 ROIs and is denoted as S3。

规则三：The whole brain is regarded as a ROI. The atlas only includes 1 ROI and is denoted as S4.

2. Construction of the IndividualHierarchical Network:

         网络定义为：G = (V, E), where V is the set of nodes and E is the set of edges.这里我们假设每个节点是按上述四种规则定义的脑区，edge是两个ROIs之间的link。基于这种假设我们为每个被试构建了一个独立的分层网络。

         针对每一个节点我们提取了六个3D texture properties 来表达represent it。其中包括energy (ENE), contrast (CON), inverse difference moment (IDM), entropy (ENT), difference variance (DVA) and difference entropy (DEN).针对每个3D texture propertiy的节点，我们首先通过gray level co-occurrence matrices (GLCM) 的方法计算了这个ROI在0°, 45°, 90° and 135°方向的3D texture propertiy，然后四个方向上的平均texture propertiy。这六种3D texture propertiy是通过以下式子计算的

计算了两个节点的Pearson correlation coefficients (PCC)

五、 特征选择

用F-score来计算每种特征的区别其中第i种特征的Fscore用下式计算：

六、 分类及评估

Multiple Kernel Learning (MKL)

这里采用了MKBoost算法来获得最好的分类精度。以及每种特征相应的分类器。